本文介绍了Flume，它是高可用、高可靠的分布式海量日志采集、聚合和传输系统。阐述了其基础架构，包含Agent、Source、Sink、Channel和Event。还给出多个入门官方案例，如监听端口、监控文件等，同时讲解了自定义Interceptor、Source和Sink的方法。
目录
一、概述
>在了解Flume之前先看Flume的定义,从中了解Flume能够给我们带来什么帮助<
定义
Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传 输的系统。Flume 基于流式架构，灵活简单。
高可用的，高可靠的如果 学习过hadoop或者大数据相关的知识，我们经常能够看到这两个名词,前者能够保证系统在各种故障的时候任然能够保持运行,后者能够保证系统稳定的运行,使得系统不容易发生故障。
海量日志采集、聚合和传输
这里我们先从从字面意思来看就是对于海量日志数据的采集、聚合、传输,而Flume最主要的作用也体现在这里,实时读取服务器本地磁盘的数据,将数据写入到HDFS等数据存储地。
二、基础架构
Flume官网(Welcome to Apache Flume — Apache Flume)给出的基础架构
1.Agent从图中可以看出Agent其实是对数据传输的过程，骑士Agent是一个JVM进程,它以事件的形式将数据传输到目的地、主要由3个部分Source、Channel、Sink。
2.SourceSource 是负责接收数据到 Flume Agent 的组件。Source 组件可以处理各种类型、各种 格式的日志数据，包括 avro、thrift、exec、jms、spooling directory、netcat、taildir、 sequence generator、syslog、http、legacy。
3.SinkSink 不断地轮询 Channel 中的事件且批量地移除它们，并将这些事件批量写入到存储 或索引系统、或者被发送到另一个 Flume Agent。 Sink 组件目的地包括 hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定 义。
4.ChannelChannel 是位于 Source 和 Sink 之间的缓冲区。因此，Channel 允许 Source 和 Sink 运 作在不同的速率上。
Channel 是线程安全的，可以同时处理几个 Source 的写入操作和几个 Sink 的读取操作。 Flume 自带两种 Channel：Memory Channel 和 File Channel。
Memory Channel 是内存中的队列。Memory Channel 在不需要关心数据丢失的情景下适 用。如果需要关心数据丢失，那么 Memory Channel 就不应该使用，因为程序死亡、机器宕 机或者重启都会导致数据丢失。
File Channel 将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数 据。
5.Event传输单元，Flume 数据传输的基本单元，以 Event 的形式将数据从源头送至目的地。 Event 由 Header 和 Body 两部分组成，Header 用来存放该 event 的一些属性，为 K-V 结构， Body 用来存放该条数据，形式为字节数组。
三、Flume入门官方案例
Flume大家可以自行去官网安装下面开始进行Flume的官方案列
案例一、监听数据端口1.案例需求
使用Flume监听一个端口,收集该端口数据,并打印到控制台
2.流程分析
1>首先安装netcat工具
sudo yum install -y nc
2>在Flume目录下创建job文件夹,并在job文件夹里创建Agent配置文件，文件名见名知意
vim flume-netcat-logger.conf
3>在配置文件中配置agent、source、sink、channel、绑定source,channel,sink
配置文件来源于官方手册 Flume 1.11.0 User Guide — Apache Flume
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
#Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
配置文件解析
4>配置完成后开启flume监听端口bin/flume-ng agent -n a1 -c conf/ -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,
console
参数说明：--conf/-c：表示配置文件存储在 conf/目录
--name/-n：表示给 agent 起名为 a1
--conf-file/-f：flume 本次启动读取的配置文件是在 job 文件夹下的 flume-telnet.conf 文件。
-Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改 flume.root.logger 参数属性值，并将控制台日志打印级别设置为 INFO 级别。日志级别包括:log、info、warn、 error。
5>使用 netcat 工具向本机的 44444 端口发送内容nc localhost 44444
hello
6>在 Flume 监听页面观察接收数据情况
案例二、实时监控单个追加文件
1.案例需求
实时监控hive日志并上传hdfs
2.流程分析
1>Flume想要将数据上传到Hdfs，首先要依赖Hadoop相关的jar包,确定Hadoop和java的环境变量正常
2>在Flume目录log下创建Agent配置文件
vim flume-file-hdfs.conf
3>在配置文件中添加内容
# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2
# Describe/configure the source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log
# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:8020/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a2.sinks.k2.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 60
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a2.sinks.k2.hdfs.rollCount = 0
# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r2.channels = c2 a2.sinks.k2.channel = c2
4>运行Flumebin/flume-ng agent -n a1 -c conf/ -f job/flume-file-hdfs.conf
5>运行hive并执行操作hive
6>查看hdfs,数据是先存储在临时文件里,我们配置了a2.sinks.k2.hdfs.rollInterval = 6060s过后临时文件变成正常文件。
案例三、实时监控目录下多个新文件
1.案例需求
使用Flume监听整个目录的文件,并上传至Hdfs
2.流程分析
1>在Flume的job目录中创建agent配置文件
vim flume-dir-hdfs.conf
2>配置文件内容
a3.sources = r3
a3.sinks = k3
a3.channels = c3
# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
#忽略所有以.tmp 结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)
# Describe the sink a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload/%Y%m%d/%H
#上传文件的前缀 a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a3.sinks.k3.hdfs.rollCount = 0
# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100
# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3
3>在Flume中创建目录uploadmkdir upload
4>启动监控bin/flume-ng agent -n a3 -c conf/ -f job/flume-dir-hdfs.conf
5>向upload中添加文件touch a.txt
6>查看hdfs
案例四、实时监控目录下的多个追加文件
Exec source 适用于监控一个实时追加的文件，不能实现断点续传；Spooldir Source 适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步；而 Taildir Source 适合用于监听多个实时追加的文件，并且能够实现断点续传。
1.案例需求
使用 Flume 监听整个目录的实时追加文件，并上传至 HDFS
2.流程分析
1>创建agent配置文件
vim flume-tailder-hdfs.conf
2>配置内容a3.sources = r3
a3.sinks = k3
a3.channels = c3# Describe/configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume/files/.*file.*
a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload2/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a3.sinks.k3.hdfs.rollCount = 0# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3
3>启动配置文件bin/flume-ng agent -n a3 -c conf/ -f job/flume-taildir-hdfs.conf
4>在flume中创建files文件夹，进入files中创建文件并向里追加内容
mkdir files
cd files
touch a.txt
echo hello >> a.txt
5>观察hdfs
四、Flume进阶
通过对上面的官方案例,相信大家已经对Flume的工作流程有了一定的了解,下面我们将从细节开始对Flume进行讲解。
Flume事务
Flume Agent内部原理
首先Source接收到数据,前往Channel Processor进行事件处理,随后将事件传到拦截器链中进行事件的过滤处理、转换、优化等操作,完成这些操作后事件将会被传往ChannelSelector,后
续简称CS，CS选出Event将要发往哪个Channel,CS有两种一个是Replicating复制类型,一种是Multiplexing多路复用类型,ReplicatingSelector 会将同一个 Event 发往所有的 Channel，Multiplexing 会根据相 应的原则，将不同的 Event 发往不同的 Channel,事件被写入相应的C
hannel后将被发送到SinkProcessor,SinkProcessor 共 有 三 种 类 型 ， 分 别 是 DefaultSinkProcessor 、 LoadBalancingSinkProcessor 和 FailoverSinkProcessor DefaultSinkProcessor 对 应 的 是 单 个 的 Sink ， LoadBalancingSinkProcessor 和 FailoverSinkProcessor 对应的是 Sink Group，LoadBalancingSinkProcessor 可以实现负 载均衡的功能，FailoverSinkProcessor 可以错误恢复的功能。
Fulme拓扑结构1.简单串联
该模式将多个Flume串联起来,该模式一般不使用,因为一旦中间某个节点宕机,整个系统都会宕机
2.复制和多路复用
source将相同数据复制到不同的Channel中,sink可以选择传往不同的目的地。
3.负载均衡和故障转移
Flume支持使用将多个sink逻辑上分到一个sink组，sink组配合不同的SinkProcessor 可以实现负载均衡和错误恢复的功能
4.聚合
这种模式是我们最常见的，也非常实用，日常 web 应用通常分布在上百个服务器，大者 甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用 flume 的这种组合方式 能很好的解决这一问题，每台服务器部署一个 flume 采集日志，传送到一个集中收集日志的flume,再由flume上传到hdfs，hive，hbase等进行日志分析。
自定义Interceptor(拦截器)
我们之前在看Flume架构图的时候,可以看到Source在接收到数据后,会将封装的事件发给ChannelProcessor，此时ChannelProcessor会将事件先给拦截器链,相当于去过滤了一遍,
如果没有自定义拦截器，系统会将事件原样返还给ChannelProcessor,ChannelProcessor
再将事件给Channel选择器,此时如果用默认的ChannelSelector——Replicating，Channel
Processor会将事件发送给每一个Channel中,而使用,Multiplexing ChannelSelect，会将e
vents发往相应的channel,Multiplexing可以配置发往哪些Channel,配置方法就是根据event
中的Header中的key的值将event发往不同的Channel,而正常source接收的数据封装成even
t的时候Header中并没有值,这时我们就要写Interceptor来给不同的数据的Header中添加不同的key值。
1.案例需求
使用 Flume 采集服务器本地日志，需要按照日志类型的不同，将不同种类的日志发往不 同的分析系统。
2.需求分析
在实际的开发中，一台服务器产生的日志类型可能有很多种，不同类型的日志可能需要 发送到不同的分析系统。此时会用到 Flume 拓扑结构中的 Multiplexing 结构，Multiplexing 的原理是，根据 event 中 Header 的某个 key 的值，将不同的 event 发送到不同的 Channel中，所以我们需要自定义一个 Interceptor，为不同类型的 event 的 Header 中的 key 赋予 不同的值。 在该案例中，我们以端口数据模拟日志,以端口数据含有字符串"debu"为区分,发往不同的分析系统。
3.案例实操1.创建一个maven项目,引入依赖
<dependency> <groupId>org.apache.flume</groupId> <artifactId>flume-ng-core</artifactId> <version>1.9.0</version> </dependency>2.定义MyInterceptor类并实现Interceptor接口
package com.csdn.interceptor; import org.apache.flume.Context; import org.apache.flume.Event; import org.apache.flume.interceptor.Interceptor; import java.util.ArrayList; import java.util.List; import java.util.Map;public class MyInterceptor implements Interceptor{ //声明一个存放事件的集合 private List<Event> addHeaderEvents; @Override public void initialize() { //初始化存放事件的集合 addHeaderEvents = new ArrayList<>(); } //单个事件拦截 @Override public Event intercept(Event event) { //1.获取事件中的头信息 Map<String, String> headers = event.getHeaders(); //2.获取事件中的body信息 String body = new String(event.getBody()); //3.根据body中是否有字符串"debu"来决定添加怎样的头信息 if(body.contains("debu")){ //添加头信息,头信息的key为type,value自定义即可 headers.put("type","debu"); } else { headers.put("type", "nodebu"); } return event; } //批量事件拦截 @Override public List<Event> intercept(List<Event> events) { //1.清空集合,防止之前有数据 addHeaderEvents.clear(); //2.遍历events for (Event event : events) { //调用单世界拦截 addHeaderEvents.add(intercept(event)); } return addHeaderEvents; } @Override public void close() { } public static class Builder implements Interceptor.Builder { @Override public Interceptor build() { return new MyInterceptor(); } @Override public void configure(Context context) { } } }3.编辑flume配置文件
(1)在hadoop102上配置1个netcat source 和一个sink组(2个 avro sink) 并配置Multiplexing和自定义拦截器。
在hadoop102上的flume中的job目录中创建group5
#注意红色的部分按自定义的类配置
# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type =com.csdn.interceptor.MyInterceptor$Builder
a1.sources.r1.selector.type = multiplexing
a1.sources.r1.selector.header = type
a1.sources.r1.selector.mapping.debu = c1
a1.sources.r1.selector.mapping.nodebu = c2# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop103
a1.sinks.k1.port = 4141
a1.sinks.k2.type=avro
a1.sinks.k2.hostname = hadoop104
a1.sinks.k2.port = 4242# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Use a channel which buffers events in memory
a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100# Bind the source and sink to the channel
a1.sources.r1.channels = c1 c2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2
(2)在 hadoop103 上 配置一个 avro source 和一个 logger sinkvim flume-flume-logger
a1.sources = r1
a1.sinks = k1
a1.channels = c1a1.sources.r1.type = avro
a1.sources.r1.bind = hadoop103
a1.sources.r1.port = 4141a1.sinks.k1.type = logger
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100a1.sinks.k1.channel = c1
a1.sources.r1.channels = c1
(3)在 hadoop104 上 配置一个 avro source 和一个 logger sink
vim flume-flume-logger2
a1.sources = r1
a1.sinks = k1
a1.channels = c1a1.sources.r1.type = avro
a1.sources.r1.bind = hadoop104
a1.sources.r1.port = 4242a1.sinks.k1.type = logger
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100a1.sinks.k1.channel = c1
a1.sources.r1.channels = c1
在103和104上启动服务 再到102上启动服务,同时再开一个102 向端口发送信息可以看到含有debu的都会到103上 其他的到104上
自定义sourceSource 是负责接收数据到 Flume Agent 的组件。Source 组件可以处理各种类型、各种格式的日志数据,官方提供了很多的source,如果我们有开发中的需求,就需要自定义source
案例需求:
使用自定义的source接收数据,给数据加上前缀,后缀,再将数据给channel,最后用logger sink在
控制台输出。
(1)编码
package com.debu.source; import org.apache.flume.Context; import org.apache.flume.Event; import org.apache.flume.EventDeliveryException; import org.apache.flume.PollableSource; import org.apache.flume.conf.Configurable; import org.apache.flume.event.SimpleEvent; import org.apache.flume.source.AbstractSource; import java.util.HashMap;public class MySource extends AbstractSource implements Configurable, PollableSource { private String prefix; private String suffix; private Long delay; @Override public void configure(Context context) { prefix = context.getString("pre","pre-"); suffix = context.getString("suf"); delay = context.getLong("delay",2000L); } @Override public Status process() throws EventDeliveryException { //循环创建事件信息,传给Channel try { for (int i = 0; i < 5; i++) { //声明事件 Event event = new SimpleEvent(); HashMap<String , String > header = new HashMap<>(); event.setHeaders(header); event.setBody((prefix+"debu:"+i+suffix).getBytes()); getChannelProcessor().processEvent(event); } Thread.sleep(delay); return Status.READY; } catch (Exception e) { e.printStackTrace(); return Status.BACKOFF; } } @Override public long getBackOffSleepIncrement() { return 0; } @Override public long getMaxBackOffSleepInterval() { return 0; } }编码完成后打成jar包放到flume的lib目录中
(2)配置文件在flume/job 下创建mysource.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1# Describe/configure the source
a1.sources.r1.type = com.debu.source.MySource#下面3个注释掉,就默认使用自定义类中的配置
a1.sources.r1.pre = sb-
a1.sources.r1.suf = -bs
a1.sources.r1.delay = 5000# Describe the sink
a1.sinks.k1.type = logger# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
(3)测试bin/flume-ng agent -c conf/ -f job/mysource.conf -n a1 -Dflume.root.logger=INFO,console
自定义sink
Sink 不断地轮询 Channel 中的事件且批量地移除它们，并将这些事件批量写入到存储 或索引系统、或者被发送到另一个 Flume Agent。Sink 是完全事务性的。在从 Channel 批量删除数据之前，每个 Sink 用 Channel 启动一 个事务。批量事件一旦成功写出到存储系统或下一个 Flume Agent，Sink 就利用 Channel 提 交事务。事务一旦被提交，该 Channel 从自己的内部缓冲区删除事件。
Sink 组件目的地包括 hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、 自定义。官方提供的 Sink 类型已经很多，但是有时候并不能满足实际开发当中的需求，此 时我们就需要根据实际需求自定义某些 Sink。
案例需求和自定义source类似我们在sink拉取数据的时候加上前缀和后缀
(1)编码:package com.debu.sink; import org.apache.flume.*; import org.apache.flume.conf.Configurable; import org.apache.flume.sink.AbstractSink; import org.slf4j.Logger; import org.slf4j.LoggerFactory;public class MySink extends AbstractSink implements Configurable { //声明数据的前后缀 private String prefix; private String suffix; //创建Logger对象 private Logger logger = LoggerFactory.getLogger(MySink.class); @Override public void configure(Context context) { prefix = context.getString("pre","pre-"); suffix = context.getString("suf"); } @Override public Status process() throws EventDeliveryException { //获取Channel,开启事务 Channel channel = getChannel(); Transaction transaction = channel.getTransaction(); transaction.begin(); //从Channel中抓取数据打印到控制台 try{ //抓取数据 Event event; //没有数据就一直去尝试抓取 while(true){ event = channel.take(); if(event != null){ break; } } //处理数据 logger.info(prefix+new String(event.getBody())+suffix); //提交事务 transaction.commit(); return Status.READY; }catch (Exception e){ //捕获到异常先回滚,退避一段时间 transaction.rollback(); return Status.BACKOFF; }finally { //关闭事务 transaction.close(); } } }编码完成后打成jar包放到flume的lib目录中
(2)在flume的job中编写配置文件mysink.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444# Describe the sink
a1.sinks.k1.type = com.debu.sink.MySink
a1.sinks.k1.pre = sb-
a1.sinks.k1.suf = -bs# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
(3)开启端口发送数据nc localhost 44444
hello
可以看到数据有了前缀和后缀
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
